El Sıkma Hareketinin İşlevsel Yakın Kızılaltı Spektroskopisi ve Elektromiyografi Sinyalleri Kullanılarak Sınıflandırılması

DÜMF Mühendislik Dergisi Pub Date : 2023-01-16 DOI:10.24012/dumf.1212691

Aykut Eken

{"title":"El Sıkma Hareketinin İşlevsel Yakın Kızılaltı Spektroskopisi ve Elektromiyografi Sinyalleri Kullanılarak Sınıflandırılması","authors":"Aykut Eken","doi":"10.24012/dumf.1212691","DOIUrl":null,"url":null,"abstract":"El hareketinin sınıflandırılması, özellikle inme rahatsızlığı geçiren kişilerde nörorehabilitasyon amaçlı beyin bilgisayar arayüzü (BBA) modellerinin geliştirilmesinde büyük önem arz etmektedir. Ancak, el hareketi odaklı BBA modellerinin geliştirilmesinde kullanılan kas ve beyin aktivitesi ölçüm modalitelerinin tek başlarına kullanılmasında, nörolojik adaptasyon ve bazı hasta gruplarının nöromusküler hastalık barındırması gibi çeşitli problemler bulunmaktadır. Bu çalışmada bir kavrama kuvveti görevi aracılığı ile gerçekleştirilen el hareketinin sonucu elde edilen işlevsel yakın kızılaltı spektroskopisi (iYKAS) ve elektromiyografi (EMG) sinyalleri kullanılarak el hareketinin sınıflandırılması gerçekleştirilmiştir. Bu sinyallerden çıkartılan öznitelikler, L1 norm tabanlı bir destek vektör makinesi (DVM) ile seçildikten sonra, K-en yakın komşuluk, doğrusal ve radyal temelli DVM, Gradyan Artırma, Adaboost, Naive Bayes, Doğrusal Diskriminant, Kuadratik Diskriminant ve Lojistik regresyon sınıflandırıcılarına verilmiştir. Sınıflandırıcıların başarımı, bir katılımcıyı dışarıda bırak (leave-one-subject-out) çapraz geçerliliği uygulanarak gerçekleştirilmiştir. Sınıflandırıcılar arasında en yüksek doğruluk yüzdesi, iYKAS ve EMG odaklı özniteliklerden faydalanılarak, Doğrusal Diskriminant metodu ile %84 olarak bulunmuştur. Sonuçlarımız bize işlevsel yakın kızılaltı spektroskopisi ve elektromiyografi verilerinin el hareketinin sınıflandırılmasında kullanılabileceğini ve bunun BBA sistemlerine de entegre edilebileceğini ortaya koymaktadır.","PeriodicalId":158576,"journal":{"name":"DÜMF Mühendislik Dergisi","volume":"1 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-01-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"DÜMF Mühendislik Dergisi","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.24012/dumf.1212691","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

El hareketinin sınıflandırılması, özellikle inme rahatsızlığı geçiren kişilerde nörorehabilitasyon amaçlı beyin bilgisayar arayüzü (BBA) modellerinin geliştirilmesinde büyük önem arz etmektedir. Ancak, el hareketi odaklı BBA modellerinin geliştirilmesinde kullanılan kas ve beyin aktivitesi ölçüm modalitelerinin tek başlarına kullanılmasında, nörolojik adaptasyon ve bazı hasta gruplarının nöromusküler hastalık barındırması gibi çeşitli problemler bulunmaktadır. Bu çalışmada bir kavrama kuvveti görevi aracılığı ile gerçekleştirilen el hareketinin sonucu elde edilen işlevsel yakın kızılaltı spektroskopisi (iYKAS) ve elektromiyografi (EMG) sinyalleri kullanılarak el hareketinin sınıflandırılması gerçekleştirilmiştir. Bu sinyallerden çıkartılan öznitelikler, L1 norm tabanlı bir destek vektör makinesi (DVM) ile seçildikten sonra, K-en yakın komşuluk, doğrusal ve radyal temelli DVM, Gradyan Artırma, Adaboost, Naive Bayes, Doğrusal Diskriminant, Kuadratik Diskriminant ve Lojistik regresyon sınıflandırıcılarına verilmiştir. Sınıflandırıcıların başarımı, bir katılımcıyı dışarıda bırak (leave-one-subject-out) çapraz geçerliliği uygulanarak gerçekleştirilmiştir. Sınıflandırıcılar arasında en yüksek doğruluk yüzdesi, iYKAS ve EMG odaklı özniteliklerden faydalanılarak, Doğrusal Diskriminant metodu ile %84 olarak bulunmuştur. Sonuçlarımız bize işlevsel yakın kızılaltı spektroskopisi ve elektromiyografi verilerinin el hareketinin sınıflandırılmasında kullanılabileceğini ve bunun BBA sistemlerine de entegre edilebileceğini ortaya koymaktadır.

查看原文本刊更多论文

手部运动分类对于开发用于神经康复的脑计算机接口（BCI）模型非常重要，尤其是对中风患者。然而，在开发以手部运动为导向的 BCI 模型时，仅使用肌肉和大脑活动测量模式存在一些问题，例如神经系统适应性和某些患者群体存在神经肌肉疾病。在这项研究中，使用功能性近红外光谱（FNIRS）和肌电图（EMG）信号进行了手部运动分类，这些信号是通过抓取力任务进行手部运动的结果。从这些信号中提取的特征由基于 L1 准则的支持向量机（SVM）进行选择，然后送入 K-近邻、线性和径向基 SVM、梯度提升、Adaboost、Naive Bayes、线性判别、二次判别和逻辑回归分类器。分类器的性能是通过 "留一主体-淘汰交叉验证 "来分析的。结果发现，使用 iYKAS 和面向肌电图特征的线性判别法的分类器准确率最高，达到 84%。我们的研究结果表明，功能性近红外光谱和肌电图数据可用于手部运动分类，并可集成到生物识别（BCI）系统中。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

DÜMF Mühendislik Dergisi

自引率

0.00%

发文量